Optimasi Biaya Pada Model Vendor Managed Inventory (VMI): Single-

Vendor Multi-Retailer Menggunakan Algoritma Genetika

Digdoyo Oktapriandi1, Chairul Saleh2

Magister Teknik Industri, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta, Indonesia1
Digdoyo.oktapriandi@gmail.com
Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta, Indonesia1

Abstrak

Dalam era globalisasi ini semakin banyak kerja sama yang tejalin antara perusahaan vendor, manufaktur, distributor, retailer
dan kunsumen. Aktivitas ini disebut dengan supply chain management (SCM). Dalam perkembangan hubungan antar vendor
yang diwakili distributor ke retailer supaya terjadi win-win solution dalam hal keuntungan maka pihak vendor mengatur tingkat
inventorinya yang kemudian disebut dengan vendor menaged inventory (VMI). Inventori adalah faktor penting yang harus
diberi perhatian karena karena dalam aplikasinya dapat menimbukan masalah yang rumit. Dengan VMI ketidakseimbangan
keuntungan yang diperoleh baik itu vendor maupun retailer dapat diatasi dengan baik. Namun demikian banyak peneliti masih
menyampaikan bahwa model VMI dinilai belum optimal. Tujuan dari penelitian ini adalah mengoptimalkan model yang telah
dikembangkan oleh peneliti sebelumnya. Model VMI yang dikaji adalah single-vendor multi-retailer supply chains. Alat
optimasi yang digunakan adalah Algoritma Genetika (AG). Adapun hasil yang dicapai adalah dapat menurunkan total biaya
yang terdapat didalam inventori vendor maupun retailer. Optimasi AG dapat memberikan peningkatan performansi sebesar
13,64 %.

Kata Kunci : Supply chain Management, Inventori,VendorManaged Inventory dan Algoritma Genetika.

membiayai promosi iklan yang dilakukan retailer.

1. Pendahuluan
Dalam dunia bisnis, produk yang dihasilkan
diharapkan memiliki harga pokok produksi yang
minimal, hal ini disebabkan perusahaan harus
memperoleh keuntungan yang sebesar-besarnya
supaya dapat hidup berkelanjutan. Harga pokok
produksi dapat diminimalkan maka perusahaan dapat
menurunkan harga jualnya dengan keuntungan yang
sama, akibatnya akan dapat menguasai pasar.
Perhitungan harga produk yang dihasilkan oleh
perusahaan terkait dengan biaya distribusi yang harus
dilakukan melalui rantai pasok dari hulu ke hilir
(retailer ke konsumen), yang biasanya dilakukan oleh
distributor. Isu yang berkembang terkait dengan hal
tersebut adalah biaya-biaya pasokan dari manufaktur
ke distributor dan retailer sehingga sampai kepada
konsumen.
Disamping itu isu yang cukup menarik terkait
hubungan antara perusahaan distributor dengan
retailer. Perusahaan yang mendistribusikan produk
akan menentukan berapa produksi optimal yang harus
disediakan. Sebaliknya berapa yang harus dipesan
oleh retailer supaya memiliki keuntungan yang
maksimal terkait dengan inventori. Berbagai
penelitian yang pernah dilakukan terkait dengan isu
ini adalah Seyed Esfahani et al., (2011) yang
menyatakan bahwa pihak manufaktur harus
Model ini kemudian disebut dengan vertical
cooperative (co-op). Pada penelitian lain, VMI
digunakan untuk memilih retailer terbaik dalam
sebuah perjanjian antara vendor selaku manufaktur
dengan beberapa retailer (Yugang Yu et al, 2013).
Rusdiansyah dan Tsao (2005) memformulasikan
model heuristic untuk delivery consolidation dan
inventory replenishment menggunakan model
Vendor Managed Inventory Routing (VMIR).
Sedangkan De Toni dan Zamolo (2005) membangun
model replenishment traditional yaitu Efficient
Consumer Response (ECR). Kajian selanjutnya maka
diperlukan suatu model solusi yang menguntungkan
antara kedua belah pihak antara vendor dan retailer
melalui sebuah perjanjian (Darwish dan Odah, 2010).
Penelitian ini membangun model single-vendor
multi-retailer supply Chain. Kajian ini telah
menambahkan beberapa variabel keputusan sebagai
tolak ukur biaya optimal yang perlu dikeluarkan
dalam penentuan biaya inventori. Namun dalam
kenyataan model VMI ini dinilai masih memberikan
biaya inventori yang cukup tinggi baik pada inventori
vendor maupun retailer. Sehingga perlu upaya
lanjutan untuk melakukan optimasi terhadap biaya
inventori yang memberikan pengaruh terhadap total
biaya produksi.
 Penelitian ini merupakan penelitian yang
bersifat pengembangan dari penelitian sebelumnya
yang dilakukan oleh Darwish dan Odah pada tahun
2010. Sehingga tujuan dari penelitian ini adalah untuk
mengoptimasi total biaya inventori yang terdapat
pada model VMI single vendor multi retailer
menggunakan metode algoritma genetika. Dimana
selanjutnya dilakukan analisis terhadap dampak dari
fariabel keputusan (Fitness) yang terbentuk.
2. Metode
2.1 Metode Pengumpulan Data
Metode pengumpulan data yang dilakukan dalam
penelitian ini adalah menggunakan data histori yang
bersifat hipotetik yang dikumpulkan dan telah
divalidasi menggunakan numerical analytic oleh
peneliti sebelumnya yaitu pada penelitian Darwish
dan Odah (2010). Data yang digunakan dalam
penelitian ini merupakan data sistem inventori suatu
perusahaan yang bersifat single vendor multi retailer
yang diperoleh melalui literatur yang berkaitan
dengan penelitian. Adapun data yang membangun
model tersebut sebagai berikut:
 Uj Batas atas inventory level pada retailer j,
 Dj Nilai demmand untuk retailer j,
 Aj Biaya pesan untuk retailer j,
 Hj Biaya penyimpanan untuk retailer j,
 πj Biaya penalti over stock untuk retailer j,
2.2 Metode Analisis Data
Vendor Managed Inventory (VMI)
Vendor-Managed Inventory (VMI) adalah suatu
strategi kolaborasi yang terjalin diantara pihak-pihak
yang terkait dalam supply chain, dimana manufaktur
atau distributor sebagai supplier mempunyai
wewenang/otonomi untuk memutuskan order
quantity yang harus dikirimkan ke retailer dimana
dalam hal ini sebagai buyer. Keputusan pengiriman
ini didasarkan atas informasi data penjualan dan stock
level yang ada di buyer dengan mengikuti waktu
replenishment yang telah ditetapkan. Integrasi antar
supplier dan buyer terjadi karena adanya information
sharing dan business process reengineering. Dalam
hal ini buyer mempunyai tanggung jawab untuk
menjamin adanya aliran informasi berlanjut
(continuous flow) yang memungkinkan supplier
dapat merumuskan order quantity yang real dan
akurat. Buyer dapat berbagi informasi tentang
penjualan dan inventori saat ini dengan supplier
menggunakan teknologi informasi seperti Electronic
Data Interchange (EDI) atau Internet-based XML.
Karakteristik utama dari strategi VMI adalah waktu
replenishment singkat, frekuensi dan pengiriman
tepat pada waktunya sehingga hal ini akan
menyebabkan optimasi pada rencana produksi dan
transportasinya (De Toni, 2005).
Peneliti terdahulu mengembangkan model
VMI supply chain untuk meminimalkan sistem total
rata-rata biaya per satuan waktu TC. Biaya yang
mempengaruhi pada model VMI supply chain yaitu
biaya pemesanan, penyimpanan dan penalti pada
vendor kepada retailer. Adapun Notasi yang
digunakan pada model tersebut adalah :
m Jumlah retailer,
Dj Nilai permintaan produk dari retailer j ke vendor,
D Jumlah seluruh permintaan dari seluruh retailer j ke
vendor (D = ∑𝑚 𝑗=1 𝐷 j),
Uj Batas atas inventori level pada retailer j,
AV Biaya pemesanan vendor,
Aj Biaya pesan untuk retailer j,
HV Biaya penyimpanan vendor,
Hj Biaya penyimpanan untuk retailer j,
πj Biaya penalti over stock untuk retailer j,
Q Kuantitas pemesanan vendor,
qj Kuantitas pengiriman ke retailer j,
q Jumlah total pengiriman item dari vendor ke semua
retailer (q = ∑𝑚𝑗=1 𝑞j),
T Waktu siklus vendor,
Tj Waktu siklus untuk retailer j,
TR Waktu siklus umum untuk retailer,
n Jumlah barang dikirim yang diterima oleh sebuah
retailer,
[n] Bilangan bulat terbesar yang kurang dari n,
|n| Bilangan bulat terkecil yang lebih dari n,
S Himpunan dari semua retailer yang batas atasnya
terlampaui,
r Jumlah elemen dalam himpunan S, r = 0, 1,..,m,
Ф Himpunan kosong (r = 0),
Ω Himpunan dari semua retailer (r = m),
TCV Total biaya yang dikeluarkan oleh vendor,
TCj Total biaya yang dikeluarkan oleh retailer j,
TCR Total biaya yang dikeluarkan oleh semua retailer
(TCR = ∑𝑚 𝑗=1 𝑇𝐶 j),
TC Total biaya yang dikeluarkan oleh sistem.
Adapun model matematisnya yaitu biaya
persediaan per siklus yang dikeluarkan oleh vendor
diperoleh menggunakan persamaan 2.1.
(𝑛−1)𝑞 2 (𝑛−2)𝑞 2
ℎ𝑣 ( + + ⋯ + 𝑞 2 /𝐷) =
𝐷 𝐷
𝑛(𝑛−1)𝑞12 𝐷
ℎ𝑣 persamaan 2.1
2𝐷12
Selain itu, vendor menimbulkan biaya over-
stock penalti ketika mencapai batas atas dari inventori
retailer j. Sehingga dari permasalahan tersebut
diperoleh rumusan pada persamaan 2.2.
(𝑞𝑗 − 𝑈𝑗 )2
𝜋𝑗 𝑛 if 𝑞𝑗 > 𝑈𝑗 . Persamaan 2.2
2𝐷𝑗
 Dari kedua persamaan tersebut, maka vendor reabilitas, transportasi, pengurutan pengeluaran, job-
harus membayar total biaya penalti dalam persamaan shop, penjadwalan mesin.
2.3.
AG mempunyai prosedur perhitungan yang
Total Overstock Penalty = teradaptasi menggunakan proses pemilihan alami
2
(survival of the fittest) untuk mencari penyelesaian
𝑛 𝜋𝑗 𝐷𝑗 optimal. Prosedur AG dimulai dengan sebuah
∑ ( 𝑞1 − 𝑈𝑗 ) , Persamaan 2.3
2 𝑗𝜖𝑆 𝐷𝑗 𝐷1 penyelesaian populasi acak. Setiap individu dalam
populasi disebut dengan kromosom, yang
Kemudian total biaya yang dikeluarkan
menggambarkan suatu penyelesaian. Sebuah
vendor per siklus menggunakan persamaan 2.4.
kromosom biasanya digambarkan sebagai satu
𝑛(𝑛−1)𝑞12 𝐷 simbol string yang biasanya berbentuk biner, namun
𝑇𝐶𝑉 (𝑞1 , 𝑛, 𝑆) = 𝐴𝑉 + 𝑛 ∑𝑚
𝑗=1 𝐴𝑗 + ℎ𝑉 +
2𝐷12
tidak selalu demikian. Kromosom-kromosom ini
𝑛 𝜋𝑗 𝐷𝑗 2
∑𝑗𝜖𝑆 ( 𝑞 − 𝑈𝑗 ) . Persamaan 2.4 melakukan regenerasi melalui urutan iterasi. Selama
2 𝐷𝑗 𝐷1 1
regenerasi kromosom dievaluasi menggunakan
Berdasarkan persamaan tersebut dapat ukuran yang disebut dengan nilai kekuatan (fitness
diketahui bahwa himpunan S merupakan kumpulan value). Untuk membentuk generasi selanjutnya,
retailer yang melewati batas atas (Uj) dari inventori. kromosom baru yang disebut dengan anak kromosom
Disisi lain, retailer j menimbulkan biaya holding (offspring) diperoleh dengan cara mengawinkan dua
(hjqj/2). Oleh karena itu, total biaya yang dikeluarkan kromosom dengan cara persilangan (crossover) atau
oleh semua retailer per satuan waktu ditunjukkan memodifikasi melalui operator mutasi (mutation
pada persamaan 2.5. operator). Generasi baru yang terbentuk dipilih
𝑚
mengikuti nilai kekuatannya dan tetap
𝑞1 mempertahankan dalam populasi. Kromosom yang
𝑇𝐶𝑅 = ∑ ℎ𝑗 𝐷𝑗 . Persamaan 2.5
2𝐷1 layak diterima sebagai penyelesaian yang baik adalah
𝑗=1
kromosom terkuat yang memiliki peluang terpilh
Dengan demikian, sistem total biaya rata-rata yang tinggi. Setelah beberapa generasi maka
per satuan waktu (TC) adalah penjumlahan antara algoritma terpusat pada kromosom yang terbaik, yang
biaya total vendor (TCV) dan total retailer (TCR). dapat menggambarkan suatu hasil yang optimal atau
Oleh karena itu, TC dapat ditentukan pada persamaan sub optimal. Aspek yang penting dari AG adalah
2.6. inisialisasi populasi, representasi kromosom
(representasi), persilangan, mutasi, seleksi,
𝑛(𝑛−1)𝑞12 𝐷
𝑇𝐶 = 𝐴𝑉 + 𝑛 ∑𝑚
𝑗=1 𝐴𝑗 + ℎ𝑉 + penggantian, terminasi dan fungsi kekuatan yang
2𝐷12
𝑛 𝜋𝑗 𝐷𝑗 2 𝑞1 akan diterangkan pada bagian depan. AG telah
∑𝑗𝜖𝑆 ( 𝑞 − 𝑈𝑗 ) + ∑𝑚
𝑗=1 ℎ𝑗 𝐷𝑗 .
2 𝐷𝑗 𝐷1 1 2𝐷1 membuktikan sebagai alat optimasi yang efektif yang
dapat memberikan penyelesaian optimal atau
𝑠. 𝑡., 𝑞1 ≥ 𝑈𝑖 , 𝑗𝜖𝑆, Persamaan 2.6
mendekati optimal yang effisien. Selanjutnya AG
Dalam Penelitian ini, Model VMI single tidak memerlukan banyak asumsi dalam
vendor multi retailer akan dilakukan optimasi dengan menyelesaian fungsi objektif seperti layaknya teknik
teknik algoritma genetika. Adapun variabel optimasi yang lain. Adapun langkah yang digunakan
keputusan dalam model ini adalah q1, n, dan S. Total dalam optimasi menggunakan AG adalah sebagai
biaya (TC) pada model yang telah di bahas berikut:
sebelumnya akan dijadikan sebagai fungsi fitness a. Inisialisasi
pada algoritma genetika.
Inisialisasi berhubungan dengan kemungkinan
Algoritma Genetika (AG) pembentukan penyelesaian persoalan. Populasi awal
Algoritma Genetika (AG) pertama kali diperkenalkan dapat dibentuk secara acak atau heuristik. Kesesuaian
oleh John Holland pada tahun 1975. Pada heuristik akan mengurangi pembentukan generasi
perkembangannya AG telah diaplikasikan untuk yang diperlukan ketika mencari penyelesaian dan
menyelesaikan persoalan pada berbagai bidang menambah luasnya daerah pencarian. Pada makalah
keilmuan seperti matematika, teknik, biologi dan ini implementasi populasi awal dibentuk secara acak.
ilmu pengetahuan sosial seperti machine Learning,
persoalan optimasi kombinasi dan pembatas seperti
 Populasi
Gen Kromosom
Individu
Gambar 2.1. Susunan dari populasi
b. Representasi
Representasi memberikan pengaruh kuat terhadap
kinerja AG. Perbedaan skema representasi dapat
menyebabkan perbedaan kinerja dalam hal ketepatan
dan waktu perhitungan. Terdapat dua metode umum
representasi untuk persoalan optimasi numerik yaitu
string biner dan vektor dari bilangan bulat atau
bilangan riil. Representasi terbagi 2 yaitu representasi
gen dan kromosom, representasi gen dilakukan
berdasarkan variabel keputusan yaitu n (jumlah
barang dikirim yang diterima oleh retailer), q1
(kuantitas pengiriman ke retailer pertama) dan S
(himpunan dari semua retailer yang batas atasnya
terlampaui, dalam hal ini S didefinisikan menjadi
jumlah seluruh biaya yang ditanggung oleh vendor
yang diakibatkan penalti pada inventori retailer
karena batas atasnya terlampaui).
c. Seleksi
Tujuan tata cara pemilihan adalah untuk melakukan
duplikasi lebih banyak individu-individu yang
mempunyai nilai kekuatan lebih dibandingkan
individu sebelumnya. Tata cara pemilihan
mempunyai pengaruh yang signifikan terhadap
aktivitas ruang lingkup pencarian selanjutnya dan
penemuan nilai terbaik pada waktu yang pendek.
Untuk menghindari terbentuknya konvergensi
prematur dan pencapaian penyelesaian global
optimal, maka perubahan populasi harus dihindarkan.
Terdapat dua tatacara pemilihan berdasarkan
proportional dan ranking. Pada penelitian ini
digunakan tata cara pemilihan proportional dan
sering disebut dengan pemilihan berdasarkan roda
roulette.
d. Persilangan
Persilangan digunakan untuk menciptakan dua
kromosom individu baru yang disebut dengan anak
kromosom (offspring). Kedua kromosom dibentuk
dari dua kromosom induk dalam populasi yang
tersedia melalui operasi seleksi. Jika tidak terjadi
persilangan maka populasi hanya ditingkatkan
melalui mutasi. Beberapa operator persilangan yang
biasa dipakai adalah persilangan satu titik, dua titik,
siklus, homogen dan permutasi. Pada penelitian ini,
digunakan persialangan satu titik potong.
e. Mutasi
Mutasi adalah operator kedua dalam AG. Dalam
sistem AG, mutasi terjadi pada gen yaitu pertukaran
nilai string biner dari 0 menjadi 1 atau sebaliknya.
Mutasi digunakan untuk menghindari terjadinya
generasi premature ketika proses reproduksi dengan
persilangan. Proses mutasi yang tidak terkontrol
dapat merusak nilai dan sifat genetik. Nilai peluang
yang tinggi dapat menyebabkan pencarian bersifat
acak.
f. Definis masalah AG
Masalah yang sudah dirumuskan di microsoft excel,
kemudian dihubungkan ke generator AG NLI-gen®.
Sebelumnya,variabel yang akan di run sudah diberi
pengkodean di microsoft excel. Tujuannya adalah
untuk menghubungkan antara parameter yang ada di
microsoft excel dengan generator Algoritma
Genetika. Sehingga ketika softweare AG dijalankan
dengan excel, keduanya saling terhubung. Terdapat
beberapa proses run AG yang tidak terhubung karena
ada kesalahan kecil antaranya keduanya sehingga
proses run tidak bisa dijalankan.
g. Terminasi (Penghentian)
Proses persilangan, mutasi, seleksi dan penggantian
dilakukalan secara berulang sehingga mencapai
kriteria yang ditentukan. Pada kasus ini dilakukan
beberapa kali percobaan, hasil penghentian apparead
menjadi dekat / optimal, dimulai dengan penghentian
pertama yaitu 30 generasi, 20 populasi, keep best 3,
generasi. 80 % mutation probability of population
dan 10 % mutation probability of genes. Demikian
dilakukan penghentian selanjutnya dengan problem
definition yang berbeda hingga dirasa sudah
memperoleh fitness terbaik.
3. Hasil dan Pembahasan
3.1 Pengolahan Data
Pada bab ini akan dilakukan perhitungan total biaya
dari model. Data-data yang digunakan pada penelitian
ini adalah data dari vendor x dan juga retailer y,
dimana terdapat 30 retailer (y1, y2, y3, ..., y30). Adapun
data-data yang diperlukan untuk perhitungan tersebut
adalah sebagai berikut :
Tabel 3.1. Data inventori vendor
No. Parameter Simbol Angka Satuan
Jumlah permintaan
1 dari seluruh retailer D 117020 Unit
ke vendor
Total produk yang
2 dikirim dari vendor q 16250 Unit
kesemua retailer
No. Parameter Simbol Angka Satuan Retailer Retailer Retailer
πj πj πj
j j j
dalam satu siklus
9 3 19 1,5 29 0,5
waktu retailer
10 2 20 2,5 30 2
Biaya penyimpanan
3 Hv 1 USD/Unit
inventory vendor
Jumlah pengiriman 1,89361 Tabel 3.6. Data Uj
4 n Kali
dari vendor ke retailer =2 Retailer Retailer Retailer
Uj Uj Uj
Biaya pemesanan j j j
5 Av 4000 USD
vendor 1 70 11 260 21 1000
Kuantitas pemesanan 2 90 12 100 22 950
6 Q 32500 Unit
vendor 3 80 13 640 23 600
4 30 14 320 24 750
Tabel 3.2. Data Dj 5 120 15 400 25 700
6 70 16 450 26 125
Retailer Retailer Retailer
Dj Dj Dj 7 240 17 70 27 850
j j j
1 2570 11 2900 21 7600 8 200 18 340 28 1400
2 1850 12 1100 22 6950 9 160 19 370 29 1900
3 1600 13 6800 23 4350 10 500 20 700 30 1800
4 600 14 3400 24 5400
5 2300 15 4200 25 4900 Tabel 3.7. Data qj
6 1300 16 4700 26 850 Retailer Retailer Retailer
7 3200 17 700 27 5100 qj qj qj
j j j
8 2500 18 3300 28 6550 1 357 11 403 21 1056
9 1900 19 3400 29 8200 2 257 12 153 22 965
10 5900 20 6000 30 6900 3 222 13 944 23 604
4 83 14 472 24 750
5 319 15 583 25 681
Tabel 3.3. Data Aj 6 181 16 653 26 118
Retailer Retailer Retailer 7 444 17 97 27 708
Aj Aj Aj
j j j 8 347 18 458 28 910
1 11 11 120 21 200 9 264 19 472 29 1139
2 40 12 75 22 220 10 819 20 833 30 958
3 35 13 140 23 120
4 80 14 150 24 200 3.2 Model Matematik
5 45 15 150 25 240
6 30 16 200 26 120 Pada sub bab ini akan dihitung secara manual model
7 90 17 100 27 500 VMI awal yang telah dijelaskan diatas. Berdasarkan
8 100 18 130 28 700
9 90 19 150 29 300
rumus yang ada, perhitungan akan dibagi menjadi 2
10 120 20 160 30 750 yaitu pertama adalah menghitung total biaya
inventori pada seluruh retailer terlebih dahulu
Tabel 3.4. Data hj kemudian langkah kedua adalah menghitung total
Retailer
Hj
Retailer
Hj
Retailer
Hj
biaya pada inventori vendor. Dan pada akhirnya total
j j j biaya akan diperoleh dengan menjumlahkan antara
1 6,5 11 8 21 3
2 10 12 9 22 4 total biaya inventori dari seluruh retailer dengan total
3 8 13 4 23 6 biaya inventori vendor. Adapun proses
4 18 14 7,5 24 6 perhitungannya dapat dilihat sebagai berikut:
5 9 15 6 25 5,5
6 8,5 16 6,5 26 9 a. Perhitungan Total Biaya Inventori Retailer
7 7 17 14 27 5,5
dengan Model VMI
8 7,5 18 6,5 28 4,5 𝑞
9 8 19 7 29 2 𝑇𝐶𝑅 = 1 ∑𝑚 𝑗 = 1 ℎ𝑗 𝐷𝑗 = 44366,63 USD
2𝐷1
10 5 20 4 30 3,5
b. Perhitungan Total Biaya Inventori Vendor dengan
Model VMI
Tabel 3.5. Data πj 𝑛(𝑛−1)𝑞12 𝐷
Retailer Retailer Retailer 𝑇𝐶𝑉 (𝑞1 , 𝑛, 𝑆) = 𝐴𝑉 + 𝑛 ∑𝑚
𝑗=1 𝐴𝑗 + ℎ𝑉 +
πj πj πj 2𝐷12
j j j
𝑛 𝜋𝑗 𝐷𝑗 2
1 1,75 11 4 21 1,5 ∑𝑗∈𝑆 ( 𝑞 − 𝑈𝑗 )
2 3 12 3,75 22 2,5 2 𝐷𝑗 𝐷1 1
3 1,75 13 1,5 23 3,25 𝑇𝐶𝑉 (𝑞1 , 𝑛, 𝑆) = 4000 + 10161,11 + 1910,46 +
4 8 14 2 24 3
767,75 = 16839,33 USD
5 2,5 15 2,5 25 3
6 2 16 2,5 26 3,5 c. Total Seluruh Biaya Inventori Pada Model VMI
7 2 17 6 27 3
8 2,75 18 2 28 2,5
Setelah didapat total biaya inventori seluruh retailer terbaik berdasarkan empat kali rangkaian percobaan
dan total biaya vendor langkah selanjutnya adalah tersebut:
mencari total biaya keseluruhan dengan cara
menjumlahkan keseluruhan total biaya inventori,
perhitungannya adalah sebagai berikut:
TC = TCR + TCV = 44366,63 + 16839,33
= 61188,08 USD
Grafik yang terbentuk dalam model VMI
single-vendor multi-retailer ini adalah sebagai
berikut:
Gambar 3.2. Grafik hasil percobaan terbaik

Gambar 3.3. Status hasil percobaan terbaik

Pada percobaan tersebut dapat diketahui

bahwa waktu yang diperlukan untuk percobaan
Gambar 3.1. Tingkat persediaan terhadap m = 3
Sumber: VMI model single-vendor multi-retailer supply
tersebut selama 1 menit 31 detik dengan 100 generasi.
chain 2010 Problem definition-nya adalah menggunakan
Keterangan gambar: (A) Vendor, (B) retailer pertama, (C) population 10, keep best 1, 80% mutation of
retailer kedua, dan (D) retailer ketiga. population dan 10% mutation of genes. Dari grafik
Pada Gambar. 3.1 menunjukkan bahwa dapat diketahui bahwa pada percobaan ini best fitness
setelah merilis pengiriman ke retailer setiap TR unit sebesar 52842 dan mulai konvergen pada generasi ke-
waktu, tingkat persediaan vendor tersebut mengalami 12.
penurunan sebesar q.
Hasil optimasi menggunakan AG dengan
3.3 Optimasi Algoritma Genetika mengotimalkan total biaya pada inventori vendor dan
semua retailer menggunakan variabel keputusan n,
Pada kasus ini akan dilakukan 4 kali rangkaian
q1, S, dan TC sebagai nilai fitness-nya. Setelah
percobaan menggunakan generator AG NLI-gen®
dioptimasi dapat dilihat adanya perbedaan pada
untuk memperoleh best fitness yang optimal. Adapun
keempat parameter tersebut yang menyebabkan
rangkainan percobaan pertama adalah untuk mencari
berkurangnya total fitness sebesar 8346,08 USD.
jumlah generasi terbaik, pada rangkaian percobaan
Pada tabel dibawah ini akan dijelaskan lebih rinci
kedua dilakukan untuk mencari populasi terbaik,
mengenai selisih perbandingan antara sebelum dan
selanjutnya dilakukan pencarian mutation probability
sesudah dioptimalkan adalah sebagai berikut:
% of population pada rangkaian percobaan ketiga dan
pada rangkaian percobaan terakhir dilakukan
pencarian terdapat mutation probability % of genes.
Keseluruhan rangkaian dipilih percobaan terbaik
berdasarkan titik konvergensi dari percobaan tersebut Tabel 3.8. Perbandingan parameter VMI dengan optimasi
Algoritma Genetika
dan waktu yang dibutuhkan selama runing generator
(time elapsed). Berikut merupakan hasil percobaan
 VMI Single- Setelah dilakukan seluruh rangkaian
Vendor Optimasi Presentase percobaan, diperoleh hasil fitness optimal dengan
Parameter
Multi- AG Pengurangan kriteria yang terbaik pada rangkaian percobaan
Retailer keempat yaitu pada percobaan ke-2. Dimana nilai
n 1,89361 1 47,19 %
best fitness pada percobaan tersebut adalah 52842
q1 357 80 77,59 %
S 810,8854211 55 93,21 % dengan grafik yang konvergen pada generasi ke-12
Total Biaya 61188,07556 52842 13,64 % dan dengan waktu percobaan selama 91 detik.
Penurunan seluruh total biaya inventory pada model
Tabel 3.9. Perbandingan total biaya inventori model VMI
dengan Optimasi AG
VMI tersebut setelah di optimasi dengan algoritma
genetika adalah sebesar 8345 USD atau 13,64 % dari
VMI Single-Vendor Multi-
Optimasi AG total biaya awal. Penurunan tersebut terdiri dari 0,25
Retailer
USD pada inventori retailer dan 7445,8 USD pada
Retailer Vendor TC Retailer Vendor TC inventori vendor.
44348,75 16839,33 61188,08 43448,5 9393,5 52842 Dengan demikian maka dapat dikatakan
Dari tabel diatas dapat dilihat bahwa bahwa metode algoritma genetika berhasil
pengurangan biaya inventori retailer antara sebelum memecahkan masalah pada penelitian ini. Adapun
dan sesudah optimasi AG adalah sebesar 0,25 USD. hasil yang didapatkan diperoleh berdasarkan
Sedangkan pengurangan biaya inventori vendor penentuan range pada variabel keputusan yang
antara sebelum dan sesudah optimasi AG adalah dilakukan diawal penelitian. Sehingga ketika
sebesar 7445,8 USD. Sehingga dapat dikatakan dilakukan running generator algoritma genetika
pengurangan biaya terbesar terletak pada inventori dengan generasi, populasi, dan probabilitas tertentu
vendor. Presentase pengurangan total biaya setelah hasil best fitness nya pun akan berubah. Variabel
dilakukan optimasi dengan menggunakan algoritma keputusan tersebut menentukan berapa hasil nilai best
61188,07556−52842 fitness yang diperoleh.
genetika adalah sebesar = 𝑥 100%
61188,07556
= 13,64 % dari total biaya awal. b. Analisa Dampak terhadap Variabel Keputusan
Pada penelitian ini dapat perbedaan dalam variabel
3.4 Pembahasan
keputusan di model VMI awal dengan model VMI
a. Optimasi Model dengan AG yang telah dipotimasi dengan menggunakan AG.
Pada optimasi menggunakan genetikan algoritma Setelah diperoleh nilai fitness yang optimal maka
dilakukan 4 kali rangkaian percobaan. Pada rangkaian dapat diketahui besar perubahan nilai pada variabel
percobaan yang pertama bertujuan untuk memperoleh keputusan. Perubahan ini terjadi dikarenakan range
generasi optimal sehingga diperoleh 100 generasi yang telah ditentukan saat melakukan optimasi
yang dijadikan acuan untuk percobaan selanjutnya. dengan AG untuk mencari nilai fitness (biaya total)
Kemudian pada rangkaian percobaan kedua paling rendah. Adapun nilai variabel keputusan awal
dilakukan pencarian terhadap jumlah populasi adalah n = 2, q1 = 357, dan S = 810. Setelah dilakukan
terbaik. Adapun kriteria pemilihan percobaan terbaik optimasi menjadi n = 1, q1 = 80, dan S = 55. Dengan
pada rangkaian percobaan kedua sampai keempat kata lain jumlah frekuensi optimal adalah 1 kali
adalah pertama dilihat dari total fitness yang terkecil, pengiriman dengan jumlah produk pada pengiriman
grafik konvergensinya dan waktu proses dalam pertama sebanyak 80 dan jumlah seluruh biaya yang
melakukan percobaan. Jumlah populasi terbaik yang ditanggung oleh vendor yang diakibatkan penalti
didapatkan dalam percobaan ini adalah 10. pada inventori retailer karena batas atasnya
Selanjutnya pada rangkaian percobaan ketiga terlampaui sebesar 55. Adapun efisiensi yang terjadi
bertujuan untuk mencari mutation probability (% of pada variabel keputusan n = 47,19 %, q1 = 77,59 %,
population) terbaik. Hasil dari rangkaian percobaan S = 93,21 %.
ketiga didapatkan mutation probability (% of Ketiga variabel keputusan sudah mencapai
population) sebesar 80 %. Dengan menggunakan hasil optimal yaitu sudah berada pada range yang
acuan pada rangkaian percobaan sebelumnya, paling kecil. Dengan demikian penelitian ini berhasil
dilakukan percobaan keempat yang bertujuan untuk dan sesuai dengan tujuan awalnya. Dengan melihat
mencari mutation probability (% of genes) terbaik. hasil penelitian, terbukti bahwa metode AG sesuai
Hasilnya adalah percobaan dengan mutation untuk di aplikasikan pada model VMI Darwish dan
probability (% of genes) sebesar 10 %. Odah (2010). Dimasa yang akan datang penelitian ini
dapat dikembangkan dengan metode optimasi lainnya
sehingga dapat dilakukan perbandingan.
4. Kesimpulan
Dari hasil penelitian ini mengenai penelitian model
VMI single-vendor multi-retailer supply chains yang
dioptimasi dengan algoritma genetika dapat ditarik
beberapa kesimpulan. Adapun kesimpulan yang
menjadi jawaban dari rumusan masalah yang telah
ditentukan diawal adalah sebagai berikut :
a. Hasil optimasi dengan menggunakan algoritma
genetika adalah berkurangnya total biaya seluruh
inventori didalam sistem. Asumsi-asumsi yang
melekat pada model VMI awal dapat dihilangkan
dengan metode algoritma genetika.Total biaya
akhir sebesar 52842 USD dengan penurunan
sebesar 13,64 %.
b. Nilai variabel keputusan setelah dilakukan
optimasi dengan algoritma genetika menjadi lebih
rendah sehingga lebih efektif dan efisien serta
dapat meminimalisasi total biaya.
Daftar Pustaka
Darwish, M. A., & Odah, O. M. (2010). Vendor
managed inventory model for single-vendor multi-
retailer supply chains. European Journal of
Operational Research, 204(3), 473-484.
Seyed Esfahani, M. M., Biazaran, M., & Gharakhani,
M. (2011). A game theoretic approach to coordinate
pricing and vertical co-op advertising in
manufacturer–retailer supply chains. European
Journal of Operational Research, 211(2), 263-
273.Tsay, A.A. and Agrawal, N. ‘‘Channel conflict
and coordination in the Ecommerce age’’, Production
and Operations Management, 13(1), pp. 93–110
(2004).
Yu, Y., Hong, Z., Zhang, L. L., Liang, L., & Chu, C.
(2013). Optimal selection of retailers for a
manufacturing vendor in a vendor managed inventory
system. European Journal of Operational Research.
De Toni, A. F., & Zamolo, E. (2005). From a
traditional replenishment system to vendor-managed
inventory: a case study from the household electrical
appliances sector. International Journal of Production
Economics, 96(1), 63-79.
Goldberg, D. E., & Holland, J. H. (1988). Genetic
algorithms and machine learning. Machine learning,
3(2), 95-99.
De Jong, K. A. (1975). Analysis of the behavior of a
class of genetic adaptive systems. Rusdiansyah, A.
dan Tsao, D., 2005. An Integrated Model of The
Periodic Delivery Problems for Vending Machine
Supply Chains. Journal of Food Engineering 70, 421–
434.
Chairul Saleh (2002). Material Lot Size Decision in
Multi Stage Manufacturing System With Genetic
Algorithm Approach. Thesis Philosophy of Doctor,
Universiti Kebangsaan Malaysia, Bangi.
Chairul Saleh, (2005a). Determination of Common
Due Date on Single Machine Schedule with Sequence
Dependent Set-Up Time using Genetic Algorithm.
National Proceedings Seminar Industrial Technique,
24-25 June 2005. ISSN: 1412 – 338X.
Chairul Saleh, (2005b). Optimization of Production
Scheduling on Cel Manufacturing Through AG-2LP
Approach. National Proceedings Seminar 2005,
“Implementing Supply Chain Management and
Logistics in the Field of Industry”. Surabaya,
September 29th, ISBN: 979 – 25 – 0800 – 7.
Charilas, D. E., & Panagopoulos, A. D. (2010). A
survey on game theory applications in wireless
networks. Computer Networks, 54(18), 3421-3430.
Holland, J. H. (1975). Adaptation in natural and
artificial systems: An introductory analysis with
applications to biology, control, and artificial
intelligence. U Michigan Press.
Hoseininia, M., Didehvar, F., & Esfahani, M. M. S.
(2009). Inventory competition in a multi channel
distribution system: The Nash and Stackelberg game.
arXiv preprint arXiv:0906.0151.
Mittal, P., & Sharma, K. (2012). Repeated Time
Allocation of National and Private Sector by Real
Estate Agent. Available at SSRN 2055308.
Nachiappan, S.P., Jawahar, N., 2006. A genetic
algorithm for optimal operating parameters of VMI
system in a two-echelon supply chain. European
Journal of Operational Research 182 (3), 1433–1452.
Nahmias, S., 2005. Production and Operations
Analysis, fifth ed. Irwin, Homewood, IL, USA.
Nagarajan, M., Rajagopalan, S., 2008. Contracting
under vendor managed inventory systems using
holding cost subsidies. Production and Operations
Management 17 (2), 200–210.
Parlar, M. ‘‘Game theoretic analysis of the
substitutable product inventory problem with random
demands’’, Naval Research Logistics, 35(3), pp. 397– Tersine, R.J., 1994, Principles of Inventory And
409 (1988). Materials Management, 4-ed, Prentice Hall,
Englewoodcliffs, New jersey 4-ed, Prentice Hall,
Simchi-Levi, D., & Kaminsky, P. (2000). E. Simchi-
Englewoodcliffs, New jersey.
Levi. Designing and Managing the Supply Chain:
Concepts, Strategies and Case Studies.
Wang, O. and Parlar, M. ‘‘A three person game
theory model arising in stochastic inventory control
theory’’, European Journal of Operational Research,
76(1), pp. 83–97 (1994).
Aissaoui, N., Haouari, M., Hassini, E., 2007. Supplier
selection and order lot sizing modeling: a review.
Computers & Operations Research 34 (12), 3516–
3540.
Banerjee, A. (1986). A joint economic-lot-size model
for purchase and vendor. Decision Sciences, 17, 292–
311.
Banerjee, A., & Banerjee, S. (1992). Coordinated,
orderless inventory replenishment for a single
supplier and multiple buyers through electronic data
interchange. International Journal of Technology
Management, 7, 328–336.
Hadley, G., & Whitin, T. 1963. Analysis of inventory
systems. Englewood Cliffs, New Jersey: Prentice
Hall.